descripción del uso de AI y sus ventajas

1. Seis pasos para el éxito
del machine learning
El camino para aprovechar todo el potencial
del machine learning

2. INTRODUCCIÓN
Avanzamos con determinación
La inteligencia artificial (IA) y el machine learning (ML), cuando se implementan siguiendo
las estrategias adecuadas, pueden mejorar la agilidad, optimizar los procesos, aumentar
los ingresos al crear productos nuevos o mejorar los existentes y permitir que se tomen decisiones
de forma más rápida y efectiva.
No hay duda de que la IA y el ML pueden ayudar a las empresas a conseguir más: en 2025, el gasto
mundial en IA alcanzará los 204 000 millones de USD.1
También está claro que quienes la adoptan
siguen confiando en la capacidad de la IA para impulsar el valor y la ventaja competitiva.
Si bien el ML existe desde hace décadas, su accesibilidad como herramienta para transformar
las empresas es relativamente nueva. Además, la falta de un recorrido singular y comprobado
para alcanzar el éxito con el ML hace que algunas empresas se mantengan al margen, ya que
no se sienten seguras acerca de cómo dar el siguiente paso (o siquiera el primero) en este recorrido.
Es hora de que las organizaciones superen las barreras del ML, no sigan perdiendo el tiempo
y puedan progresar con confianza. Este libro electrónico esboza un recorrido probado, desde
el primer paso hasta la medición de los resultados, con ideas de las prácticas recomendadas
de Amazon ML y su experiencia ayudando a miles de clientes a realizar sus propias iniciativas.
1
“
Investment in Artificial Intelligence Solutions Will Accelerate as Businesses Seek Insights, Efficiency, and Innovation,
According to a New IDC Spending Guide”, IDC, 2021
2
“Gartner Identifies Top 10 Data and Analytics Technology Trends for 2020”, Gartner, 2020
3
“Becoming an AI-fueled Organization”, Deloitte, 2021
de las empresas comenzarán
a poner en marcha la IA a finales
de 20242
, y el 66 % considera
que la IA es fundamental para
el éxito3
.
75%
2

3. ¿POR QUÉ ML?
¿Qué es la inteligencia
artificial y
el machine learning?
Probablemente haya oído describir la IA y el ML de varias maneras,
así que demos un paso atrás y repasemos lo que significa cada
término. La inteligencia artificial (IA) es una forma de describir
cualquier sistema que pueda reproducir tareas que antes requerían
inteligencia humana.
La mayoría de los casos de uso de la IA buscan un resultado
probabilístico: predecir, clasificar o decidir con un alto grado
de certeza y de manera similar al juicio humano.
Casi todos los sistemas de IA de la actualidad se crean mediante
el ML, que utiliza grandes cantidades de datos para crear y validar
la lógica de la decisión. A esta lógica se la conoce como modelo.
El sistema de IA suministra datos de entrada a ese modelo,
y luego el modelo elabora predicciones o clasificaciones similares
a las humanas. Esencialmente, el ML es la tecnología subyacente
que impulsa los sistemas inteligentes.
3

4. ¿Por qué machine learning?
Antes de sumergirnos en los pasos necesarios para utilizar el ML, exploremos por qué las empresas deben emprender este recorrido en primer lugar. Al fin y al cabo,
incluso con la guía de este libro electrónico, completar los pasos que se describen aquí requerirá de una inversión y una dedicación constantes. Cada empresa tendrá
que recordarse a sí misma con regularidad cuál es su objetivo y mantenerse centrada en los beneficios empresariales concretos que pueden desbloquearse al aprovechar
plenamente la tecnología de ML.
Las empresas ya están percibiendo el impacto que supone:
4
Amar, J., et al., “AI-Driven Operations Forecasting in Data-Light Environments”, McKinsey Company, 2022
5
Jaffry, S., et al., “How to Scale Machine Learning Inference for Multi-Tenant SaaS Use Cases”, blog de AWS Machine Learning, 2022
1
Optimizar las empresas mediante nuevas eficiencias
El ML se puede utilizar para crear una mayor eficiencia gracias a sofisticados
modelos de planificación y predicción de la demanda. Si bien esto
se da en casi todos los sectores, la fabricación aporta algunas pruebas
específicas. Durante la pandemia de la COVID-19, Foxconn, el mayor
fabricante de productos electrónicos y proveedor de soluciones tecnológicas
del mundo, se enfrentó a una volatilidad sin precedentes en la demanda
de los clientes, los suministros y la capacidad. La empresa colaboró con
el Laboratorio de soluciones de Amazon Machine Learning para desarrollar
un modelo de previsión de la demanda utilizando Amazon Forecast para
su fábrica en México con el fin de aumentar la precisión de sus previsiones
de pedidos netos en un ocho por ciento. Según un informe de 2022 de McKinsey,
las empresas de telecomunicaciones, energía eléctrica, gas natural y sanidad
han descubierto que los motores de previsión de IA pueden automatizar hasta
el 50 % de las tareas de gestión de la mano de obra, lo que supone una reducción
de costos del 10 al 15 %.4
2
Tomar decisiones más inteligentes y rápidas
Con base en fuentes de datos y análisis que se vuelven más inteligentes a través
del ML, una empresa y su personal pueden tomar decisiones más informadas
y rápidas que le permiten actuar sobre las oportunidades antes y lograr mejores
resultados. El equipo de ML en Zendesk es responsable de mejorar los equipos
de experiencia del cliente para brindarles un mejor servicio a los clientes.
Al combinar el poder de los datos y las personas para automatizar el trabajo
manual, Zendesk ofrece productos inteligentes que hacen que sus clientes
sean más productivos.5
4

5. Ahora que hemos explicado el por qué del ML, es momento de profundizar
en el cómo. En las siguientes secciones se mostrarán los pasos del recorrido
de ML utilizando las prácticas recomendadas de AWS y las de los clientes
para ejemplificar los cambios necesarios que deben tener lugar para
implementar, utilizar y escalar con éxito las soluciones de ML.
3
Aumentar el compromiso de los clientes
mediante experiencias personalizadas
Warner Bros. Discovery, Inc. tiene una amplia gama de contenido que atrae
a una gran base de audiencias de clientes.6
La empresa quería ayudar a los
clientes a encontrar contenidos seleccionados que se ajustaran a sus intereses
específicos, y recurrió a Amazon Web Services (AWS) y Amazon Personalize
para permitir sugerencias de contenidos a medida para su plataforma
de streaming discovery+.7
En lugar de ofrecer a los espectadores contenidos
genéricos, Warner Bros. Discovery, Inc. ahora utiliza las recomendaciones
impulsadas por ML de Amazon Personalize para personalizar la experiencia
del espectador y mejorar el recorrido del cliente.
4
Añadir nuevas capacidades a los productos
existentes
El ML puede enriquecer los productos existentes al mejorar el compromiso
de los clientes y atraer a nuevos usuarios a través de experiencias más profundas.
Por ejemplo, Livongo es una plataforma y una aplicación móvil que funciona
con dispositivos inteligentes, como glucómetros conectados, para ayudar
a las personas a controlar los problemas médicos. Este dispositivo utiliza el ML
para traducir los datos de las lecturas de la glucosa en sangre, la actividad física
y los registros de las comidas, además de los datos de los teléfonos inteligentes
y otros datos importantes, en “avisos de salud” oportunos y procesables.
Estos mensajes personalizados sobre la dieta, el ejercicio, la medicación, etc.,
entregados en tiempo real a los miembros en sus dispositivos conectados,
los ayudan a evitar complicaciones que podrían llevarlos al hospital y permiten
que el sistema y los usuarios ahorren dinero.8
5
Crear productos completamente nuevos
En su afán por hacer que la tecnología para la atención médica brinde
un mejor servicio a las personas, Cambia utilizó AWS (incluida la tecnología
ML para desarrollar Journi), una solución sanitaria digital “todo en uno” guiada
por la inteligencia basada en datos y la experiencia humana. Journi ayuda
a los miembros de los planes de salud y a sus familias a sacar el máximo partido
a sus beneficios de atención médica.9
6
Conseguir ventaja competitiva
El ML ya no es una opción exclusiva, sino una necesidad para seguir siendo
relevante y competitivo, independientemente del campo y del dominio de una
organización. OnPoint, una sucursal de Koch Engineered Solutions, colaboró
de forma reciente con AWS para desarrollar de forma conjunta una plataforma
de optimización inteligente de procesos (IPOP). Diseñada para habilitar las
soluciones de OnPoint, la plataforma utiliza la nube y la infraestructura digital
periférica para proporcionar capacidades avanzadas de ML y computación industrial
para el ecosistema conectado de OnPoint. Esto permite a los operadores
industriales y a sus socios preferidos integrar y aprovechar el mejor conocimiento
disponible, en cualquier lugar y momento, a gran escala.10
6
“Warner Bros. Discovery, Inc. Is Enhancing the Customer Experience with Amazon Personalize”, Amazon Web Services, 2021, video de YouTube
7
“Discovery Enhances Customer Experience Using Amazon Personalize”, estudio de caso de AWS, 2021
8
“Data Empowers Patients and Providers”, artículo del Wall Street Journal encomendado por AWS, 2020
9
“Cambia Health Solutions Builds Integrated, Human-Centered Healthcare Solution on AWS”, estudio de caso de AWS, 2021
10
Robinson, M., et al., “Acoustic Anomaly Detection Using Amazon Lookout for Equipment”, blog de AWS Machine Learning, 2021
5

6. El proceso
de adopción del
machine learning
El proceso de adopción del ML no siempre es sencillo.
Para alcanzar el éxito mediante el ML, no solo
se necesita una gran tecnología, sino también
asegurarse de que la organización esté alineada
con los objetivos correctos. La identificación y el logro
de esos objetivos requerirán grandes cambios en los
procesos, la administración y la cultura de la empresa.
En las siguientes secciones, se explorará la forma
en que las organizaciones pueden superar los
desafíos comunes que suelen impedir el progreso
y se realizarán los pasos correctos para implementar
el ML de manera eficiente y sostenible.
PASO 1
Defender la cultura del machine learning
Para liberar todo el potencial empresarial del ML se necesitarán cambios culturales
en la organización, los objetivos y la perspectiva del equipo.
Si se desea que el ML se propague por toda una organización, tanto los equipos empresariales
como los técnicos deben trabajar juntos y compartir las mismas prioridades. Para lograr esto,
el esfuerzo del ML debe contar desde el principio con el apoyo de los niveles más altos, con
objetivos establecidos por los líderes ejecutivos y una inversión en la tecnología y en los procesos
que permita alcanzar ese éxito. Esto incluye, entre otras cosas, el compromiso de construir una
IA más responsable desde el principio, trabajando para identificar y mitigar el sesgo, mejorar
la explicabilidad y ayudar a mantener los datos privados y seguros. Al adoptar un enfoque
centrado en las personas, las organizaciones pueden trabajar para educar a su personal en la IA
responsable y crear equipos más diversos para aportar más perspectivas a la mesa con el fin
de mejorar la equidad.
Es importante que la administración adopte una visión a gran escala y fomente las iniciativas de
ML. Los ejecutivos deben mantener la firmeza en sus objetivos, pero deben ser flexibles en la forma
en que la organización los alcanza. Seguro que se cometerán errores. Sin embargo, al centrarse
en una perspectiva a largo plazo y no ceder ante el desaliento, las organizaciones pueden aprender
de sus errores y aplicar lo aprendido para defender una cultura de ML en la empresa.
Quizás el mayor cambio cultural que deben experimentar las organizaciones es utilizar las
oportunidades inherentes a los errores. El ML es un proceso iterativo que solo puede tener éxito
a través de la experimentación constante. A menudo, estos experimentos resultarán en fracasos.
Solo cuando se aprende de los errores y se evita paralizar el progreso para determinar “qué salió
mal”, las organizaciones pueden alcanzar de forma sistemática el éxito que les espera al otro lado.
6

7. Cómo lo logró Amazon
Amazon lleva más de 20 años utilizando el ML. Pero después de una década
de aprovechar la tecnología, nuestro equipo de liderazgo pidió a todos los líderes
empresariales de la organización, independientemente de si dirigían un equipo
de investigación, un centro de cumplimiento o una organización de recursos
humanos, que respondieran a la pregunta de cómo planeaban utilizar el ML
en sus empresas.
En la mayoría de los casos, la respuesta “no tenemos pensado hacer esto” no era
aceptable. Esto obligó a los líderes, a los expertos en la materia y a los expertos técnicos
a colaborar en iniciativas de ML y a no permitir que nada detuviera su progreso, incluso
en los casos en que los beneficios tangibles aún estaban a años de distancia.
Además de contratar a científicos de datos externos, Amazon también creó
la Machine Learning University (MLU) para enseñar a muchos de sus desarrolladores
a emplear el ML de forma más efectiva. La empresa también creó herramientas
como Amazon SageMaker, que simplifica el proceso de creación de modelos
y reduce la barrera de entrada, lo que permite que las tecnologías e iniciativas de ML
escalen con mayor eficacia. Además, Amazon creó un conjunto de servicios de IA
prediseñados que ofrecen inteligencia lista para abordar casos de uso empresarial
comunes para los clientes sin que tengan que construir sus propios modelos.
En la actualidad, no hay un solo departamento en Amazon que no haya sido
influenciado por el ML. La tecnología de personalización de Amazon, que
proporciona recomendaciones únicas a los clientes en función de las preferencias
y los hábitos de los usuarios, ha mejorado considerablemente desde su primer
modelo lanzado hace 20 años, y se ha aplicado a otras áreas del de la empresa.
Veamos algunos ejemplos de cómo Amazon está aprovechando el ML. La empresa
utiliza el ML a lo largo de su proceso de distribución y aprovecha un sistema de
predicción que puede predecir la demanda de casi todos los productos de su enorme
inventario. Con estos modelos de predicción, Amazon puede cumplir mejor con las
expectativas de los clientes en cuanto a comodidad, costos y velocidad de entrega.
“Prevemos millones de productos cada día en todos nuestros
sitios de Amazon a nivel mundial”, dice Jenny Freshwater,
directora de predicciones de Amazon. “Sin el machine
learning, no podríamos elaborar esas predicciones”.
Los ejemplos continúan. Amazon creó Alexa, que ofrece a los clientes una forma
totalmente nueva de interactuar con la tecnología. La empresa desarrolló una
tecnología innovadora con vuelo autónomo a través de los drones Amazon Prime Air
y utiliza la robótica en sus centros de distribución para hacer llegar los paquetes
a los clientes con mayor rapidez.
Para alcanzar estos logros, fue necesario realizar grandes inversiones en tecnología,
investigación y talento. Sin embargo, esas inversiones se habrían desperdiciado
sin los cambios culturales que las impulsaron a superar muchos fracasos
y desafíos inesperados. Cada organización debe fomentar esta misma cultura
de experimentación e innovación tolerante a errores antes de que comience
el verdadero recorrido por el ML.
11
“How Amazon Is Using Machine Learning to Eliminate 915,000 Tons of Packaging”, VentureBeat, 2020
de material
Amazon está utilizando el ML para minimizar
los residuos de embalaje, lo que reduce
el peso del embalaje de salida en un
33%
toneladas
y elimina 915 000
de embalaje en todo el mundo.11
7

8. PASO 2
Reinventar la estrategia de datos
Obtener resultados con el ML depende en gran medida de la calidad de los datos.
Sin una estrategia de datos adecuada, el progreso será más lento y obstaculizará
la eficacia del modelo final. Peor aún, si el modelo recibe información de datos erróneos,
los resultados que genera pueden ser engañosos, o incluso totalmente incorrectos.
“[Los modelos de machine learning] son muy sensibles a la calidad de los datos”, explica
Freshwater. “Así que aprendimos, en muchos casos por las malas, que el tiempo invertido
en obtener datos de alta calidad en el comienzo producía dividendos en nuestros modelos
al finalizar”.
La estrategia de datos adecuada para el ML debe tener como objetivo desglosar los silos,
para que los equipos de TI puedan acceder a los datos y recopilarlos de forma fácil,
rápida y segura.
Si bien las estrategias de datos modernas adoptan muchas formas, los lagos de datos
se están convirtiendo en un componente central cada vez más popular de los modelos
más eficientes. Los lagos de datos ofrecen más agilidad y flexibilidad que los sistemas
tradicionales de administración de datos, lo que permite a las empresas administrar
múltiples tipos de datos de una amplia variedad de fuentes y almacenar esos datos,
estructurados o no estructurados, en un repositorio centralizado.
Una vez almacenados, los datos se pueden analizar mediante muchos tipos de servicios
de análisis y ML de forma más rápida y eficiente que con los enfoques tradicionales
en silos. Las arquitecturas de lagos de datos también permiten que múltiples grupos
dentro de la organización se beneficien del análisis de un conjunto de datos coherente
que abarca toda la empresa.
Para obtener ayuda en el desarrollo de una estrategia de datos más holística que incluya
los lagos de datos, visite AWS para datos.
8

9. Cómo lo logró Georgia-Pacific
Todos los días se producen cientos de rollos de papel y pañuelos de papel
en las instalaciones de fabricación de Georgia-Pacific en toda América del Norte.
Si hay grietas o roturas frecuentes, se generan tiempos de inactividad de la máquina
de papel y de la línea de conversión, lo que puede costarle a Georgia-Pacific millones
de dólares al año por línea.
Georgia-Pacific comenzó con una migración de 50 TB de datos de producción
estructurados y no estructurados desde una infraestructura de base de datos
heredada hacia un lago de datos basado en la nube. La combinación entre
las bases de datos de AWS y las herramientas analíticas para todos esos datos
permitió a Georgia-Pacific optimizar los procesos de fabricación clave para predecir
fallas en los equipos con una anticipación de 60 a 90 días. Con la reducción tanto
en las roturas de papel como en los tiempos de inactividad imprevistos, la empresa
aumentó las ganancias en millones de dólares para una línea de producción.
Lea la historia completa ›
“Utilizamos las tecnologías de análisis de datos
de AWS para predecir con precisión qué tan
rápido deben funcionar las líneas de conversión
para evitar roturas. Gracias a la reducción
de las roturas de papel, hemos aumentado
las ganancias en millones de dólares para
una línea de producción”.
Steve Bakalar, VP de TI y Transformación Digital de Georgia-Pacific
9

10. PASO 3
Localizar el problema empresarial
en el que hay que centrarse
Un error que las organizaciones cometen a menudo en su proceso de adopción del
ML consiste en emplear a científicos de datos diferenciados que trabajan en silos
para que creen modelos de ML como pruebas de concepto, en lugar de solucionar
problemas empresariales reales. Al no tener problemas empresariales específicos
que solucionar, los ejecutivos de TI encontrarán cada vez más difícil demostrar
el valor de los proyectos de ML a sus compañeros ejecutivos. Esto puede retrasar
o incluso detener el progreso de las iniciativas de ML.
A continuación, se presentan algunas preguntas importantes que las
organizaciones deberían plantearse antes de comenzar un recorrido con ML:
1. ¿Es el proyecto lo suficientemente importante como para llamar la atención
y lograr la adopción?
2. ¿Soluciona el proyecto un problema empresarial real?
3. ¿Existen lugares en los que la organización ya tiene muchos datos sin utilizar?
4. ¿El proyecto requiere ML?
5. ¿Puede una sola empresa realizar el proyecto?
6. ¿Puede el proyecto llegar a ser operativo en algún momento?
“Un primer paso es identificar un problema que contenga muchos datos, pero
que no se haya podido resolver con los métodos tradicionales”, explica Freshwater.
El Explorador de casos de uso de IA es un sitio de búsqueda y navegación centrado
en los resultados empresariales que permite a los usuarios encontrar los casos
de uso de la IA adecuados, descubrir historias de éxito de clientes relevantes
y movilizar a sus equipos hacia la implementación.
En un recorrido exitoso de ML, las organizaciones crean equipos de ML para
abordar problemas empresariales específicos. Para ello, es necesario incluir
en estos equipos tanto a expertos técnicos como a expertos en la materia.
Si bien los expertos técnicos serán los más afectados por la creación de modelos,
necesitan los conocimientos de campo de los expertos en la materia para definir
con precisión los desafíos empresariales e identificar los datos más importantes
para encontrar una solución.
Este enfoque también es fundamental para la gestión del cambio. Cuando
los expertos técnicos y los expertos en la materia colaboran en la creación
de modelos de ML, los empleados se sienten más seguros a la hora de tomar
decisiones basadas en la lógica del algoritmo.
Juntos, estos equipos también deben trabajar en la manera de medir el éxito.
“Asegúrese de tener métricas muy precisas y claras a medida que se adentra
en el machine learning”, dice Freshwater. “Muchas veces, los modelos toman
el control de algo que ya existe, y uno quiere asegurarse de que sean
realmente mejores y de que eso se pueda medir”.
Para obtener más información acerca de cómo medir el éxito de las iniciativas
de ML, consulte el Paso 6 en este libro electrónico.
Algunas organizaciones cuentan internamente con las aptitudes necesarias
para identificar los problemas que el ML podría tratar óptimamente y para
implementar los programas piloto apropiados. Las organizaciones pueden
aprovechar el Laboratorio de soluciones de Amazon Machine Learning
para trabajar en retrospectiva a partir de los desafíos empresariales e ir paso
a paso en el proceso de creación de proyectos de ML para resolverlos.
10

11. Cómo lo logró la NFL
Durante décadas, la NFL ha trabajado para proporcionar información detallada acerca de sus jugadores
y equipos a fin de satisfacer tanto la necesidad de mejorar la seguridad de los jugadores como la sed
insaciable de los fanáticos por los datos y las estadísticas.
Para abordar estas necesidades, la NFL trabajó con AWS para crear el programa NFL Next Gen Stats
(NGS) con tecnología ML. Como la ciencia de datos y el fútbol son disciplinas completamente diferentes,
la NFL convocó, acertadamente, a los expertos técnicos y a los expertos en el área para la creación de NGS
y se aseguró de que ambos grupos pudieran trabajar en conjunto para identificar los datos correctos
y desarrollar las estadísticas.
Con la ayuda de las etiquetas de identificación de radiofrecuencia para realizar un seguimiento de los
movimientos de los jugadores, NGS proporciona en tiempo real los datos sobre la ubicación, la velocidad
y la aceleración de cada uno de los jugadores en cada jugada y en todo el campo de juego. Gracias a la
simulación de diferentes situaciones dentro de un entorno de juego, la NFL tiene como objetivo fomentar
una mejor comprensión de cómo se tratan y rehabilitan las lesiones a corto plazo y, finalmente, predecir
e intervenir para prevenir las lesiones en el futuro.
Además, NGS utiliza modelos de ML para calcular más de 20 estadísticas avanzadas que sean interesantes
para los fanáticos. Un ejemplo es la métrica de yardas de corridas esperadas, que está diseñada para
mostrar cuántas yardas de corridas se espera que consiga un portador del balón en una corrida determinada
en función de la ubicación, la velocidad y la dirección relativas de los bloqueadores y defensores.
La información como las yardas de corridas esperadas no existiría sin la asociación entre los expertos
técnicos que pueden construir y entrenar los modelos que analizan los datos necesarios y los expertos
en la materia que saben qué datos medir para crear las estadísticas más interesantes.
Esta asociación también ayuda a lograr la aceptación de NGS, ya que es más probable que los
comentaristas mencionen estadísticas avanzadas que los expertos en fútbol (y en algunos casos,
las mismas emisoras) crearon.
Lea la historia completa ›
11

12. PASO 4
Mejorar las habilidades de los equipos
Mientras se crea una estrategia de datos, las organizaciones deben enfocarse
en dotar de las habilidades adecuadas a sus equipos.
Las organizaciones son cada vez más conscientes de la falta de habilidades
en el ML, el creciente déficit entre las tecnologías y la habilidad de los especialistas
de TI para aprovecharlas. Un informe de O’Reilly de 2021, en el que se encuestó
a más de 3 500 líderes empresariales, descubrió que la falta de personal calificado
y las dificultades de contratación encabezaban la lista de retos de la IA, ya que
el 19 % de los encuestados lo citaba como una barrera “significativa”.12
Para
superar esta brecha en ML, será necesario combinar la formación y la contratación.
La realidad es que no hay suficientes científicos de datos para conducir
la transformación del ML que se aproxima. Esto requiere que las organizaciones
que quieran aprovechar el ML inviertan en el desarrollo del talento
y en las herramientas de software adecuadas para el éxito.
Aunque no se ha encontrado una solución universal para la falta de habilidades
en el ML, existen métodos probados que pueden maximizar las capacidades
del personal existente y, de este modo, reducir la necesidad de realizar grandes
inversiones en la compra o en el préstamo de talentos expertos ya capacitados.
Estos métodos incluyen los siguientes:
Definir la falta de habilidades: antes de subsanar el déficit de habilidades, las
organizaciones deben identificar las diferencias precisas entre lo que necesitan o quieren
que hagan sus empleados y lo que sus empleados son capaces de hacer en ese momento.
Entender cómo se identifican las habilidades: dado que las iniciativas de ML son
esfuerzos interdisciplinarios, es preciso que una organización asigne las competencias
que necesitan de científicos e ingenieros de datos, analistas empresariales,
desarrolladores de aplicaciones, estadísticos y otros expertos de la empresa.
Personalizar la formación en función de las necesidades específicas: si una
organización ya cuenta con planes de estudio que podrían ser útiles, debería adaptar
esos materiales de acuerdo a las necesidades específicas de la empresa en materia de ML.
Los líderes también deben investigar los servicios de IA ya entrenados que proporcionan
inteligencia preparada para las aplicaciones y los flujos de trabajo empresariales.
Evaluar las opciones sin código: muchos casos de uso de ML están al alcance de
los equipos de analistas empresariales existentes mediante el uso de herramientas
de inteligencia empresarial que realizan predicciones sin necesidad de escribir
un código o tener experiencia en ML. Pueden ser ideales para casos de uso como
la previsión y la predicción de la pérdida de clientes.
12
Loukides, M., “AI Adoption in the Enterprise 2021”, O’Reilly, 2021
12

13. Además de la formación, las organizaciones necesitan alinear los equipos para abordar
con éxito los problemas de ML. Pueden conseguirlo mediante las siguientes acciones:
• Fomentar una cultura de equipos empoderados: los equipos de proyectos de ML deben ser
multifuncionales, con la autoridad necesaria para cumplir con objetivos individuales, además
de tener la libertad para intercambiar conocimientos con otros equipos en función de las
demandas y las oportunidades que se presenten. Para que este tipo de trabajo en equipo sea
posible, la administración debe fomentar nuevas estructuras y dejar de lado aquellos modelos
organizacionales estrictamente jerárquicos y de silos departamentales del pasado.
• Comenzar con un equipo piloto: la empresa debería crear un equipo piloto formado por
ingenieros, profesionales de TI y ML, y líderes de la línea empresarial, y encargarle un proyecto
de ML. “Recomendaría que dos personas muy inteligentes se encarguen de averiguar qué
métricas desea optimizar o predecir… Solo empiece de a poco”, expresa Freshwater.
• Permitir la transformación orgánica: cuando el proyecto piloto esté completo, la empresa podrá
dividir el equipo e incorporar gente para crear equipos nuevos y, a su vez, asignarles nuevos
proyectos. Este proceso continúa, lo que permite que el conocimiento se difunda de forma
orgánica desde los miembros más antiguos del equipo hasta los que se incorporaron de forma
reciente y que puedan intercambiar conocimientos entre ellos.
Gracias a esta guía, muchas organizaciones han descubierto que las personas que componen sus
equipos en realidad son las personas que necesitan para eliminar la falta de habilidades en el ML.
Aunque puede ser necesario seguir contratando personal, la inversión en las herramientas,
los procesos y los cambios de gestión adecuados puede hacer gran parte del trabajo para mejorar
el talento para el éxito del ML.
También es importante asegurar que los líderes empresariales tengan la formación necesaria para
comprender el ML, incluyendo lo que constituye un buen caso de uso y cómo hablar el lenguaje
del ML. Existen muchos cursos para líderes empresariales, entre los que se incluye Machine Learning
Essentials for Business and Technical Decision Makers (Conceptos básicos del machine learning
para responsables empresariales y técnicos de la toma de decisiones). Además, los analistas de la
línea empresarial que prestan apoyo a las finanzas, el marketing, las operaciones y las ventas pueden
empezar simplemente cargando datos en la nube y utilizando Amazon SageMaker Canvas para
generar predicciones. SageMaker Canvas es un servicio visual, sin código, para generar predicciones
ML con solo unos clics.
13
13

14. “Nuestro desafío de DeepRacer aumenta
el entusiasmo de nuestros empleados por
el machine learning y la inteligencia artificial.
Proporciona formación práctica en la empresa
y acelera la aplicación práctica del machine
learning por parte de Morningstar en nuestros
productos, servicios y procesos de inversión.
La respuesta por parte de nuestros equipos
superó mis expectativas, y considero que fue
una manera entretenida de unir nuestros equipos,
tanto en la tecnología como en otras funciones”.
James Rhodes, director de Tecnología (CTO) de Morningstar
Cómo lo logró Morningstar
La empresa de análisis de inversiones Morningstar utiliza el ML para automatizar
los procesos de recopilación de datos y ampliar el número de fondos que cubre.
Para ello, la empresa aprovecha las predicciones de un modelo de ML entrenado
para emular el proceso de evaluación de fondos de sus analistas.
A fin de formar a sus empleados y acelerar la aplicación del ML, Morningstar
utiliza AWS DeepRacer, una herramienta que facilita la formación práctica
en ML a través de un vehículo de carreras a escala 1/18 totalmente autónomo
impulsado por el aprendizaje por refuerzo, un simulador de carreras en 3D y una
liga mundial de carreras. Más de 445 empleados de Morningstar que se encargan
de distintas funciones y provienen de ocho países, incluido el 35 % del personal
que se dedica a la tecnología, han participado en la DeepRacer League.13
Morningstar tenía en mente varios proyectos de ML para el 2021. Algunos de ellos
incluían implementar un programa de aprendizaje de refuerzo que se encargue
de buscar patrones en documentos regulatorios y un algoritmo que identifique
y repare los enlaces dañados a los sitios web de instituciones financieras.
Lea la historia completa ›
13
“In the News: Morningstar Launches Global AWS DeepRacer Corporate Competition to Accelerate Application
of Machine Learning”, AWS para industrias, 2021
14

15. PASO 5
Escalar más allá de los proyectos pilotos
Luego de los primeros proyectos piloto exitosos, las organizaciones deben avanzar al siguiente
paso de este recorrido: el escalado del ML en la empresa de manera sostenible. Este es un desafío
tanto técnico como cultural.
Para lograr la escalabilidad, las organizaciones deben facilitar el uso del ML a los desarrolladores.
La creación de modelos de ML a escala puede ser una tarea intensa y compleja, lo cual puede
ralentizar la innovación.
Muchas organizaciones están resolviendo la escalabilidad con Amazon SageMaker, una solución
completa que cubre todo el flujo de trabajo de ML para preparar los datos y construir, entrenar
e implementar modelos de ML. Gracias a SageMaker, una organización puede poner sus modelos
en producción con mayor rapidez y a un menor costo, lo que permite una expansión sostenible
de las iniciativas de ML más allá de los proyectos piloto.
Otras organizaciones están escalando a través de los servicios de IA de AWS, un conjunto
de servicios previamente entrenados y gestionados que pueden utilizarse como bloques
de construcción para abordar casos de uso comunes, incluida la personalización de las
recomendaciones, la modernización de sus centros de contacto, la mejora de la seguridad
y el aumento del compromiso del cliente.
Existen muchas formas en que las empresas abordan el cambio cultural necesario para escalar
el ML. Es posible que algunas tengan éxito al crear un centro de excelencia que consolide a la
comunidad y continúe la búsqueda de nuevas iniciativas. Otras empresas, como Amazon, pueden
hacer que el ML sea parte integral de los procesos de planificación anuales, uniendo así de forma
constante a expertos en la materia y expertos técnicos para compartir ideas y determinar
los siguientes pasos que darán.
15

16. Cómo lo logró Intuit
Gracias a Amazon SageMaker, Intuit redujo el tiempo de implementación del ML en un 90 %,
de seis meses a una semana. Mediante la centralización de las iniciativas de ML, Intuit fomenta
la innovación e implementa técnicas de IA y de ML a gran velocidad y escala, por lo que adquiere
valor empresarial más allá de sus productos y servicios.
“AWS les brinda a las personas que trabajan en Intuit una plataforma común para compartir
información y colaborar en un entorno seguro”, afirma Ashok Srivastava, vicepresidente sénior
y director de datos de Intuit. “Por ejemplo, Amazon SageMaker nos brinda la plataforma
y la infraestructura necesarias para aplicar nuestras tecnologías sofisticadas de inteligencia
artificial y de machine learning”.
Vea el video ›
“En el futuro, estamos deseando aprovechar toda la potencia
de (Amazon) SageMaker para permitirnos cambiar fundamentalmente
la experiencia del producto para nuestros usuarios”.
Nhung Ho, VP de IA, Intuit
16
16

17. PASO 6
Evaluar los resultados
Cuando se busca evaluar los resultados del trabajo con ML, el enfoque tradicional
de “ROI del proyecto” (en el que un proyecto debe tener un comienzo y un final
definidos, un presupuesto y un retorno económico) es reduccionista y puede
ser perjudicial para el éxito de las iniciativas del negocio. Si el proyecto no genera
un rendimiento positivo en el tiempo determinado, la empresa puede perder
interés en él y perderse oportunidades cruciales más adelante.
Para que esto no suceda, los ejecutivos y el personal de TI deben medir los resultados
del trabajo con ML en función de lo que significa el éxito para sus empresas en
relación con la optimización de los procesos. Además, deben entender los esfuerzos
que se dedican al ML como inversiones a largo plazo, y tener en mente que
pueden pasar muchos años y llevarse a cabo infinitas iteraciones antes de obtener
un verdadero “rendimiento”.
Cuando se planifican iniciativas de ML, es mejor hacerlo desde un enfoque
que priorice la agilidad, la ventaja competitiva o la tolerancia a riesgos, antes
que el rendimiento esperado. Una organización tendrá mucho más éxito si deja
de lado preguntas como: “¿qué ganancia obtendré en X meses?” y empieza
a hacerse preguntas como: “si no invertimos en esto ahora, ¿nos atrasaremos
frente a nuestros competidores en X años cuando avance la tecnología?”
Si bien las métricas del rendimiento de la inversión (return on investment, ROI) pueden
no ser el mejor enfoque, el impacto empresarial de las iniciativas de ML todavía
puede medirse, solo que requiere una perspectiva diferente.
Para medir los resultados del ML, podemos usar algo similar a un “árbol de valores”,
en el que el tronco principal represente el “rendimiento de los ingresos” tradicional
y las ramas que se desprenden de él representen el valor de otros resultados
empresariales.
Las ramas específicas del árbol de valor dependerán de la organización, el sector
y la iniciativa. Pero pueden incluir el ahorro de tiempo gracias a los procesos
automatizados, la identificación de nuevos clientes potenciales, mercados
y oportunidades, la mejora del servicio al cliente o el aumento de las ventas
adicionales.
Medir el éxito del ML a través de un modelo más holístico y a largo plazo
permitirá a las organizaciones concentrarse en los mejores resultados para
el futuro de la empresa.
17
17

18. Cómo lo logró Lotte Mart
En comparación con el enfoque de recomendación anterior que utilizaba Lotte Mart, Amazon Personalize
eliminó la necesidad de un tedioso y complejo análisis manual de datos y redujo el tiempo
de desarrollo en un 50 %. Esto permitió ahorrar tiempo porque Lotte Mart solo tuvo que proporcionar
interacciones, usuarios y conjuntos de datos de artículos predefinidos. El equipo de ingenieros pudo
generar los resultados de las pruebas en la mitad de tiempo en comparación con el enfoque anterior.
Con Amazon Personalize, Lotte Mart pudo recomendar de forma rentable nuevos productos que eran
difíciles de promocionar e impulsar la demanda mediante métodos tradicionales.
Leer el blog ›
“Para poder centrarnos más en el cliente, ampliar nuestro alcance
y aumentar la aceptación por parte de los usuarios, recurrimos
a Amazon Personalize para que más de 600 000 usuarios de nuestra
aplicación móvil M Coupon pudieran ahorrar en su experiencia
de compra en la tienda. Al utilizar Amazon Personalize, hemos
observado un aumento 5 veces mayor en la respuesta a los productos
recomendados en comparación con nuestra solución anterior
de análisis de macrodatos, lo que ha dado lugar a un aumento
de los ingresos mensuales. En particular, Amazon Personalize
ha aumentado hasta un 40 % el número de productos que el cliente
no ha comprado nunca antes. El nuevo servicio de recomendación con
tecnología de AWS es el primero de un despliegue mucho más amplio
de tecnologías de IA en toda nuestra organización”.
Jaehyun Shin, líder del equipo de Macrodatos, Lotte Mart
18
18

19. Dé el próximo paso con AWS
No importa en qué punto se encuentre su organización en su recorrido de ML,
puede dar el siguiente paso con las soluciones de AWS creadas en la plataforma
en la nube más completa y optimizadas para ML con computación, seguridad
y análisis de alto rendimiento. Con el conjunto de servicios de IA y ML más amplio
y completo del mundo, más de 100 000 clientes ejecutan sus cargas de trabajo
de IA y ML en AWS.
Para ayudarlo a identificar los casos de uso y las soluciones de IA y ML más
relevantes, hemos creado el Explorador de casos de uso de IA, una herramienta
fácil de usar que le sugerirá los mejores casos de uso según su sector, función
y prioridad empresarial, incluido lo siguiente:
Centro de contacto inteligente: mejore la experiencia del centro de contacto para
personalizar y agilizar las interacciones con los clientes, mejorar la productividad
de los agentes y aumentar la eficiencia de los procesos empresariales mediante
la integración de ML en su centro de contacto.
Chatbots y asistentes virtuales: habilite la comunicación omnicanal
ininterrumpida con sus clientes de forma atractiva a través de chatbots, asistentes
de voz y quioscos de información interactivos.
Personalización: mejore la participación y conversión de clientes mediante
la creación de experiencias web personalizadas, creadas a medida según las
preferencias individuales y el comportamiento del cliente en todos los canales.
Procesamiento inteligente de documentos: extraiga texto y datos al instante
de prácticamente cualquier tipo de documento, como solicitudes de préstamos
y formularios médicos, sin esfuerzo manual.
Búsqueda inteligente: aumente la productividad de la empresa y la satisfacción
de los clientes proporcionando con mayor rapidez información precisa y útil
procedente de diferentes fuentes de información en toda la organización mediante
preguntas en lenguaje natural.
19

20. Verificación de la identidad: disminuya el tiempo de incorporación, aumente
la comodidad de los usuarios y reduzca el fraude a la vez que disminuye los costos
mediante la verificación de la identidad de los usuarios impulsada por ML.
Moderación de contenidos: cree entornos en línea seguros, proteja su marca
y minimice los costos de moderación utilizando ML para moderar volúmenes grandes
y complejos de contenido generado por el usuario (user-generated content, UGC).
Inteligencia de medios: maximice el valor del contenido multimedia mediante
la incorporación de ML a los flujos de trabajo multimedia, como búsqueda
y detección, adaptación local de contenido, conformidad, monetización y más.
Predicción: prediga con exactitud la demanda y optimice las decisiones de
oferta y demanda para combinar datos históricos de serie temporal con variables
adicionales, como características de productos, precios y días no laborables.
Modernización del desarrollo del ML: acelere la innovación a la vez que reduce
los costos mediante la modernización del ciclo de vida del desarrollo del ML
con una infraestructura escalable, herramientas integradas, prácticas saludables para
el uso responsable de ML, opciones de herramientas accesibles para desarrolladores
de todos los niveles de habilidad y una gestión eficiente de los recursos.
Amazon SageMaker: cree nuevos productos y servicios con Amazon SageMaker.
Permite a sus analistas empresariales, científicos de datos e ingenieros de ML
preparar los datos y construir, entrenar y desplegar fácilmente modelos de ML,
lo que simplifica la escalabilidad en todo el negocio. SageMaker también elimina
la complejidad que se interpone en el camino de la implementación exitosa de ML
a través de los casos de uso y las industrias, desde la ejecución de modelos para la
detección de fraude en tiempo real hasta el análisis virtual de los impactos biológicos
de las drogas potenciales o identificar el mejor piloto en las carreras de Fórmula 1.
20

21. Marcos de ML: los clientes de AWS pueden elegir entre TensorFlow, PyTorch, Apache MXNet y otros
marcos populares para experimentar y personalizar los algoritmos de ML. Puede utilizar el marco de
su elección como una experiencia administrada en Amazon SageMaker, o utilizar las AMI de aprendizaje
profundo de AWS (DLAMI) (Imágenes de Amazon Machine) y los Contenedores de aprendizaje
profundo de AWS (contenedores de DL de AWS), que están totalmente configurados con las últimas
versiones de los marcos y las herramientas de aprendizaje profundo más populares. Amazon Elastic
Compute Cloud (Amazon EC2) proporciona una gran selección de tipos de instancia optimizados para
trabajar con casos de uso de ML, sin importar si el cliente está entrenando un modelo o ejecutando
inferencias en modelos entrenados. Estas instancias van desde las GPU para el entrenamiento de
aprendizaje profundo de alta carga computacional hasta AWS Inferentia para la inferencia de bajo costo.
Soporte de implementación: el Laboratorio de soluciones de Amazon Machine Learning
conecta a su equipo con expertos en ML para que lo ayuden a identificar y crear soluciones de ML
que aborden las oportunidades de ML de mayor ROI de su organización.
También ofrecemos formación para aumentar el nivel de experiencia en ML de su equipo, que
incluye la formación de desarrolladores, la formación de líderes empresariales y un evento práctico
mediante el Programa AWS Machine Learning Embark.
Obtenga más información sobre cómo puede transformar el uso responsable de la IA y ML
de la teoría a la práctica con servicios, recursos y formación especialmente diseñados.
Herramientas de aprendizaje: puede mejorar sus capacidades de ML con herramientas
de aprendizaje profundo, incluido lo siguiente:
• AWS DeepRacer
• Formación y certificación en machine learning
• Laboratorio de soluciones de Amazon Machine Learning
• Amazon SageMaker Studio Lab
Machine Learning
con AWS, en cifras
Más de 100 000 clientes utilizan AWS
para sus cargas de trabajo de IA y ML
Más de 20 años de experiencia
en construcción en Amazon
Mejora 10 veces mayor
en la productividad de los científicos
de datos
Cientos de algoritmos y modelos
en Amazon SageMaker JumpStart
21

22. Solución a los desafíos
más grandes
del machine learning
La mayoría de las organizaciones han realizado algunas
inversiones en ML y han avanzado en sus recorridos de ML.
Pero muchas se encuentran con obstáculos en el camino,
preocupadas de que los costos y las complejidades aumenten
demasiado a medida que avanzan.
A lo largo de este libro electrónico, exploramos los pasos
para avanzar y aprovechar todo el poder del ML. A modo
de conclusión, echemos un vistazo a los mayores desafíos
que identificamos en el camino, junto con una breve
recomendación de cómo su organización puede resolverlos.
Desafío Solución
Desaliento a causa
de errores
Desarrollar una cultura de tolerancia a errores
Datos en silos,
sin procesar
Crear una estrategia moderna de datos que incluya
lagos de datos
Localización
de los problemas
empresariales
adecuados
Formar equipos de trabajo mixtos que incluyan tanto
a expertos técnicos como a expertos en la materia
La brecha en las
habilidades de ML
Incorporación de nuevos modelos organizativos,
procesos, herramientas sin código y filosofías de gestión
de equipos
Escalado sostenible
más allá de los
proyectos piloto
Utilización de las herramientas integrales,
como Amazon SageMaker, para simplificar
el desarrollo del ML
Evaluar los
resultados
Eliminación de las métricas tradicionales de ROI para
conseguir agilidad, ventaja competitiva y tolerancia
a riesgos; uso del modelo de árbol de valores
Para obtener más información sobre
cómo puede superar los obstáculos
y acelerar su recorrido de ML,
visite el Centro de recursos de AWS ML.
Comience ahora ›
© 2023, Amazon Web Services, Inc. o sus empresas afiliadas. Todos los derechos reservados.